Vantaggio del Kernel Quantistico rispetto al Collasso Classico negli Embedding di Modelli Medici Fondamentali

Abstract

Forniamo evidenza di un vantaggio del kernel quantistico in simulazioni prive di rumore nella classificazione binaria di assicurazioni su radiografie toraciche MIMIC-CXR, utilizzando macchine a vettori di supporto quantistiche (QSVM) con embedding congelati provenienti da tre modelli fondazionali medici (MedSigLIP-448, RAD-DINO, ViT-patch32). Proponiamo un framework di confronto equo a due livelli in cui entrambi i classificatori ricevono le stesse caratteristiche PCA-q. Al Livello 1 (QSVM non ottimizzata vs. SVM lineare non ottimizzata, C = 1 per entrambe), la QSVM vince sull'F1 della classe minoritaria in tutte le 18 configurazioni testate (17 con p < 0.001, 1 con p < 0.01). Il kernel lineare classico collassa sulla predizione della classe maggioritaria sul 90-100% dei seed per ogni numero di qubit, mentre la QSVM mantiene un recall non banale. A q = 11 (centro del plateau per MedSigLIP-448), la QSVM raggiunge un F1 medio = 0.343 contro un F1 classico = 0.050 (guadagno di F1 = +0.293, p < 0.001) senza ottimizzazione degli iperparametri. Sotto il Livello 2 (QSVM non ottimizzata vs. SVM RBF con C ottimizzato), la QSVM vince in tutte le sette configurazioni testate (guadagno medio +0.068, max +0.112). L'analisi dello spettro degli autovalori rivela che il rango effettivo del kernel quantistico raggiunge 69.80 a q = 11, superando di gran lunga il rango del kernel lineare, mentre il collasso classico rimane invariante rispetto a C. Una scansione completa dei qubit rivela un inizio di concentrazione dipendente dall'architettura tra i modelli. Codice: https://github.com/sebasmos/qml-medimage

English

We provide evidence of quantum kernel advantage under noiseless simulation in binary insurance classification on MIMIC-CXR chest radiographs using quantum support vector machines (QSVM) with frozen embeddings from three medical foundation models (MedSigLIP-448, RAD-DINO, ViT-patch32). We propose a two-tier fair comparison framework in which both classifiers receive identical PCA-q features. At Tier 1 (untuned QSVM vs. untuned linear SVM, C = 1 both sides), QSVM wins minority-class F1 in all 18 tested configurations (17 at p < 0.001, 1 at p < 0.01). The classical linear kernel collapses to majority-class prediction on 90-100% of seeds at every qubit count, while QSVM maintains non-trivial recall. At q = 11 (MedSigLIP-448 plateau center), QSVM achieves mean F1 = 0.343 vs. classical F1 = 0.050 (F1 gain = +0.293, p < 0.001) without hyperparameter tuning. Under Tier 2 (untuned QSVM vs. C-tuned RBF SVM), QSVM wins all seven tested configurations (mean gain +0.068, max +0.112). Eigenspectrum analysis reveals quantum kernel effective rank reaches 69.80 at q = 11, far exceeding linear kernel rank, while classical collapse remains C-invariant. A full qubit sweep reveals architecture-dependent concentration onset across models. Code: https://github.com/sebasmos/qml-medimage

Vantaggio del Kernel Quantistico rispetto al Collasso Classico negli Embedding di Modelli Medici Fondamentali

Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings

Abstract

Support